AI视觉识别模型训练的数据标注规范,核心就是三件事:标注类别定义要唯一且互斥、标注框贴合度要有量化容差、标注数据要按训练集验证集测试集分层抽样并保留难例。做不到这三点,模型在产线上的漏检率和误报率基本不可控。下面按实际落地顺序拆开讲。
一、数据标注规范到底解决什么问题
很多工厂的AI视觉项目卡住,不是算法不行,是标注数据本身不成立。同一张图,甲标注员把划痕框到边缘外扩5个像素,乙标注员只框划痕芯部,训练出来的模型对缺陷尺寸的判断就会漂移。标注规范的本质是把“人眼判断”翻译成“可复现的几何与语义规则”,让不同标注员、不同批次的数据保持同一把尺子。
它解决三个具体问题:类别歧义(同一个缺陷被标成两类)、边界歧义(框多大算对)、样本偏斜(良品图远多于缺陷图)。在SMT炉后AOI、汽配表面缺陷检测、锂电极片涂布这类工序上,这三个问题不解决,后面调参都是白费。
二、标注规范里必须量化的技术参数有哪些
不是写几句“框要贴紧”就完事。可执行的规范要落到数字上。
类别定义用互斥清单,每个类别配3到5张标准示例图和2张易混淆反例图。边界容差通常规定:目标检测框与真实边界的偏差不超过目标短边的5%,语义分割掩膜边缘容差控制在2到3个像素。最小标注尺寸要写死,比如缺陷短边小于8像素的不单独标注,归入“忽略区域”,避免模型学到噪声。
属性标注也要定值域。比如划痕要标长度区间、方向、是否贯穿,用枚举值而不是自由文本。标注工具侧要开启交叉复核,同一批数据按不低于10%比例做双人背靠背标注,一致性系数低于0.85的批次退回重标。这些参数直接决定后面模型在验证集上的mAP能不能稳住。
三、制造业里哪些工序最吃标注规范
假设一家电子厂做PCBA外观检测,工序在回流焊之后、测试之前。缺陷类别包括少锡、连锡、立碑、偏移。这里标注规范要区分“连锡”和“锡珠”——前者是两个焊点间桥接,后者是独立球状物,混标会让模型对桥接缺陷的召回率明显下降。同时要规定极性元件方向标注,否则偏移判定没有基准。
再假设一家汽配企业做铸件毛坯面检测,工序在机加工之前。缺陷是气孔、缩松、裂纹。铸件表面反光不均,标注规范要额外规定“反光区域不标注为缺陷”,并给出反光样本的反例集。裂纹标注要求沿走向画折线而非单框,否则模型学不到长宽比特征。
锂电极片涂布工序同理,涂布边缘的“留白区”和“暗斑”必须分开定义,且标注要在固定放大倍率下进行,否则同一缺陷在不同倍率下尺寸不一致。
四、落地标注规范常踩的坑有哪些
高频追问集中在几个点。
标注工具与训练框架的格式对接:主流用COCO JSON或YOLO txt,分割任务用PNG掩膜。规范里要写明坐标是否归一化、类别ID映射表版本号,避免换批次后ID错位。
标注人员培训成本怎么控:先做50张图的校准集,全员标一遍,算一致率,达标才进正式批次。校准集每季度更新一次,把新出现的难例补进去。
难例怎么回流:产线误报图要定期抽样回灌标注池,单独打“难例”标签,训练时给更高采样权重。这一步不做,模型在换料号后性能掉得很快。
标注量怎么估:目标检测任务,每类缺陷有效样本建议不低于500个实例,分割任务不低于300个。良品图按缺陷图的3到5倍配比,但不是越多越好,重复背景要降采样。
还有一个常被忽略的点:标注规范要版本化。每次改类别定义或容差,必须升版本号并记录变更说明,否则老数据和新数据混训会引入隐性偏差。
五、这套规范适合什么场景、不适合什么场景
适合产线节拍稳定、来料一致性较好、缺陷形态可枚举的工序,比如SMT炉后检测、结构件表面缺陷、涂布面检测。这类场景缺陷类别有限,标注规则能写清楚,模型收敛可预期。
不适合缺陷形态高度随机、无法事先枚举的场景,比如某些自由曲面加工后的随机纹理异常,这类更适合无监督异常检测路线,硬套标注规范反而成本失控。强反光、高变形件、缺陷与背景对比度极低的工序,需要先评估成像方案,成像不达标时标注规范再细也救不回来。另外,小批量多品种、每批只做几十件的产线,标注投入产出比要先算清楚再动手。
从ERP时代起深耕数十年、服务120万客户、累计部署终端数千万台的制造信息化实践看,视觉标注规范能不能落地,最终取决于它是否和MES的工单、料号、工序绑定。脱离生产上下文孤立地标图,规范写得再漂亮,模型上了线也对不上实际缺陷分布。